Використання інтелектуальних систем в економіці

 НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ

«ОСТРОЗЬКА  АКАДЕМІЯ»

КАФЕДРА МАТЕМАТИЧНОГО МОДЕЛЮВАННЯ ТА ІНФОРМАЦІЙНИХ  ТЕХНОЛОГІЙ В ЕКОНОМІЦІ 
 
 
 
 
 
 
 
 
 
 

«Використання інтелектуальних систем в економіці» 
 
 
 
 
 
 
 

Виконала:

студентка групи ЕК-43

Каращук Ольга 
 
 
 
 
 
 

    ОСТРОГ, 2011

ЗМІСТ

1. Поняття інтелектуальних систем
2. Завдання, які вирішуються за допомогою інтелектуальних систем
3. Приклади інтелектуальних систем

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Поняття інтелектуальних  систем

     Розвиток  бізнесу в останні роки відбувається на тлі радикальних і динамічних змін у навколишньому середовищі і високих темпів збільшення обсягів  інформації. У цих умовах ключове значення для виживання організацій мають стратегічне планування та впровадження новітніх технологій таких як інтелектуальні системи.

     Інтелектуальні  системи включають компонент управління знаннями, який відповідає за зберігання і управління новим класом інструментів . До цього класу відносяться машинне навчання, наочне міркування і навчання. Ці засоби можуть самі одержувати знання з наявних даних, рішень і прикладів і вносити свій внесок в побудову СППР для підтримки циклічних, складних процесів прийняття рішень у реальному часі. Машинне навчання - це набір обчислювальних методів і інструментів для навчання системи на основі досвіду (з урахуванням попередніх рішень), даних і спостережень, які впливають на поведінку системи. Навчання системи супроводжується модифікацією знань, що зберігаються. Найцікавіші методи, вживані в машинному навчанні, включають штучні нейронні мережі і генетичні алгоритми.

     Отже, інтелектуальна інформаційна система (ІІС) — це один з видів автоматизованих інформаційних систем, який є комплексом програмних, лінгвістичних і логіко-математичних засобів для реалізації основного завдання: здійснення підтримки діяльності людини і пошуку інформації в режимі розширеного діалогу на природній мові. Інколи ІІС називають системою, засновану на знаннях.

     Інтелектуальна  обробка  проводиться  методами  інтелектуального  аналізу даних (ІАД,  в  західній  літературі – Data Mining (DMg)). Data Mining перекладається  як  добування  даних, „знаходження  знань  у  базах даних”, „інтелектуальний аналіз даних”. Основна мета Data Mining полягає у виявленні прихованих правил і закономірностей у великих масивах даних. 

     Схема функціонування інтелектуальної системи, у тому числі довільної системи  управління, у найбільш загальному вигляді зображується як кругообіг  інформації з таким ритмом, що забезпечує нормальне функціонування об'єкту. При  цьому    система  управління  видає  керуючі  впливи  на  об'єкт  по каналу прямого зв'язку, результати цього впливу відображаються об'єктом управління, фіксуються й передаються в систему управління по каналу зворотного зв'язку, потім формується новий керуючий вплив, і цикл керування повторюється знову. Використання зворотного зв'язку, відоме під назвою „принцип зворотного зв'язку”  - це фундаментальний принцип побудови інтелектуальної системи підтримки управління діяльністю організації.

     Все розмаїття інтелектуальних систем, які мають прикладне значення, можна класифікувати за різними ознаками, основною з яких є область застосування. Число таких областей надзвичайно велике, відзначимо найважливіші: соціальні, економічні, технічні й біологічні системи. Всі вони відносяться  до  класів інформаційних систем, і в них реалізуються функції керування. Керування  - це  зміна  стану системи, що веде до досягнення поставленої мети. Цілями керування можуть бути: підтримка деякого бажаного стану (рівня) системи при дії різного роду впливів, що їх обурюють; досягнення системою деякого рівня матеріального й духовного комфорту членів суспільства й рівня стабільної забезпеченості; забезпечення такого режиму роботи промислового підприємства, при якому досягається максимум продукції, що випускається, або мінімум собівартості цієї продукції тощо. Керування також можна визначити як вибір однієї із множини можливих альтернатив управлінського рішення.

     Для керованої системи необхідно  знати й передбачати її поведінку  при можливих різних впливах на неї, для цього необхідно мати у своєму розпорядженні модель системи. Управляючі системи прикладного плану досить складні і для забезпечення свого функціонування вимагають дотримання певних принципів. Під принципами тут розуміємо основні правила, які пропонуються до директивного виконання.

     Логіка  побудови й функціонування інтелектуальної  системи визначає деяке розходження  принципів побудови й забезпечення функціонування ІС. Розглянемо  принципи побудови інтелектуальної системи.

     1.  Визначення мети керування при  забезпеченні стійкості системи.

     2.  Обов'язковий облік можливих несприятливих зовнішніх впливів, які можуть вивести інтелектуальну систему зі стійкої рівноваги.

     3.  Необхідність забезпечення засобів  і алгоритмів керування з розробкою: 

• експертних систем;
• систем підтримки прийняття управлінських рішень;
• систем оцінки наслідків прийняття пропонованих рішень; 
• сполучення макро -  і мікромоделей;
• алгоритмів навчання, самонавчання й самовдосконалення;
• оптимізаційних розподільних алгоритмів.

     4. Розробка засобів контролю виконання програми управління на основі використання каналів зворотного зв'язку, систем моніторингу і контролінгу.

     Для реалізації зазначених принципів у  складі менеджменту має бути передбачено  побудову наступних систем: підтримки прийняття управлінських  рішень;  оцінки  наслідків  прийнятих  рішень;  керування ризиком прийнятих рішень; експертної системи підтримки управлінських рішень; динамічної системи оптимального розподілу ресурсів.

    Функціонування  інтелектуальної системи можна  описати як постійне прийняття рішень на основі аналізу поточних ситуацій для досягнення певної мети. Природно виділити окремі етапи, які утворюють типову схему функціонування інтелектуальної системи:

1. Безпосереднє сприйняття зовнішньої ситуації; результатом є формування первинного опису ситуації.
2. Зіставлення первинного опису зі знаннями системи і поповнення цього опису; результатом є формування вторинного опису ситуації в термінах знань системи. Цей процес можна розглядати як процес розуміння ситуації, або як процес перекладу первинного опису на внутрішню мову системи. При цьому можуть змінюватися внутрішній стан системи та її знання. Вторинний опис може бути не єдиним, і система може вибирати між різними вторинними описами. Крім того, система в процесі роботи може переходити від одного вторинного опису до іншого. Якщо ми можемо формально задати форми внутрішнього представлення описів ситуацій та операції над ними, ми можемо сподіватися на певний автоматизований аналіз цих описів.
3. Планування цілеспрямованих дій та прийняття рішень, тобто аналіз можливих дій та їхніх наслідків і вибір тієї дії, яка найкраще узгоджується з метою системи. Це рішення, взагалі кажучи, формулюється деякою внутрішньою мовою (свідомо або підсвідомо).
4. Зворотна інтерпретація прийнятого рішення, тобто формування робочого алгоритму для здійснення реакції системи.
5. Реалізація реакції системи; наслідком є зміна зовнішньої ситуації і внутрішнього стану системи, і т. д.

    Дуже  важливим є таке міркування. Не слід вважати, що вказані етапи є повністю розділеними у тому розумінні, що наступний етап починається тільки після того, як повністю закінчиться попередній. Навпаки, для функціонування інтелектуальної системи характерним є взаємне проникнення цих етапів. Наприклад, ті чи інші рішення можуть прийматися уже на етапі безпосереднього сприйняття ситуації. Насамперед, це рішення про те, на які зовнішні подразники слід звертати увагу, а на яке не обов'язково. Зовнішніх подразників так багато, що їхнє сприйняття повинно бути вибірковим. 

    Завдання, які вирішуються за допомогою інтелектуальних систем

    У загальному випадку всі системи, засновані на знаннях, можна підрозділити на системи, що вирішують завдання аналізу, і на системи, які вирішують завдання синтезу. Основна відмінність завдань аналізу від завдань синтезу полягає в тому, що якщо в завданнях аналізу безліч рішень може бути перераховане і включене в систему, то в завданнях синтезу безліч рішень потенційно не обмежена і будується з вирішень компонент або проблем. Завданнями аналізу є: інтерпретація даних, діагностика, підтримка ухвалення рішення; до завдань синтезу відносяться проектування, планування, управління. Комбіновані: вчення, моніторинг, прогнозування.

    Класифікація  завдань, вирішуваних ІІС

• Інтерпретація данних. Це одне з традиційних завдань для експертних систем. Під інтерпретацією розуміється процес визначення змісту даних, результати якого мають бути погодженими і коректними. Зазвичай передбачається багатоваріантний аналіз даних.
• Діагностика. Під діагностикою розуміється процес співвідношення об'єкта з деяким класом об'єктів і виявлення несправності в деякій системі. Несправність — це відхилення від норми. Таке трактування дозволяє з єдиних теоретичних позицій розглядати і несправність устаткування в технічних системах, і захворювання живих організмів, і всілякі природні аномалії. Важливою специфікою є тут необхідність розуміння функціональної структури («анатомії») діагностуючої системи.
• Моніторинг. Основне завдання моніторингу — безперервна інтерпретація даних у реальному масштабі часу і сигналізація про вихід тих або інших параметрів за допустимі межі. Головні проблеми — «пропуск» тривожної ситуації і інверсне завдання «помилкового» спрацьовування. Складність цих проблем в розмитості симптомів тривожних ситуацій і необхідність обліку тимчасового контексту.
• Проектування. Проектування полягає в підготовці специфікацій на створення «об'єктів» із заздалегідь визначеними властивостями. Під специфікацією розуміється весь набір необхідних документів — креслення, записка пояснення і так далі Основні проблеми тут — здобуття чіткого структурного опису знань про об'єкт і проблема «сліду». Для організації ефективного проектування і в ще більшій мірі того, що перепроектувало необхідно формувати не лише самі проектні рішення, але й мотиви їхнього прийняття. Таким чином, в завданнях проектування тісно зв'язуються два основні процеси, виконуваних в рамках відповідної ЕС: процес виведення рішення і процес пояснення.
• Прогнозування. Прогнозування дозволяє передбачати наслідки деяких подій або явищ на підставі аналізу наявних даних. Прогнозуючі системи логічно виводять ймомірні наслідки із заданих ситуацій. У прогнозуючій системі зазвичай використовується параметрична динамічна модель, в якій значення параметрів «підганяються» під задану ситуацію. Висновки, що виводяться з цієї моделі, складають основу для прогнозів з ймовірними оцінками.
• Планування. Під плануванням розуміється знаходження планів дій, що відносяться до об'єктів, здатних виконувати деякі функції. У таких ЕС використовуються моделі поведінки реальних об'єктів з тим, аби логічно вивести наслідки планованої діяльності.
• Навчання. Під навчанням розуміється використання комп'ютера для навчання деякої дисципліни або предмету. Системи вчення діагностують помилки при вивченні якої-небудь дисципліни за допомогою ЕОМ і підказують правильні рішення. Вони акумулюють знання про гіпотетичного «учня» і його характерні помилки, потім у роботі вони здатні діагностувати слабкості в знаннях учнів і знаходити відповідні засоби для їхньої ліквідації. Крім того, вони планують акт спілкування з учнем залежно від успіхів учня з метою передачі знань.
• Керування. Під керуванням розуміється функція організованої системи, що підтримує певний режим діяльності. Такого роду ЕС здійснюють управління поведінкою складних систем відповідно до заданих специфікацій.
• Підтримка прийняття рішень. Підтримка прийняття рішень — це сукупність процедур, що забезпечує особу, що приймає рішення, необхідною інформацією і рекомендаціями, що полегшують процес ухвалення рішення. Ці ЕС допомагають фахівцям вибрати і сформувати потрібну альтернативу серед безлічі виборів при ухваленні відповідальних рішень.

    Виділяють наступні п’ять видів задач, які вирішуються за допомогою дейта  майнінгу:

    1.  Класифікація  дозволяє  виявити   ознаки,  що  характеризують  однотипні  групи об’єктів (класи), для того, щоб за відомими значеннями цих характеристик можна було віднести новий об’єкт до того або іншого класу. Передбачається, що характеристики класів відомі наперед (до аналізу). Як методи  рішення  задачі  класифікації  застосовують  алгоритм  найближчого сусіда (Nearest Neighbor),  індукцію  дерев  рішень, „навчені  вчителем” нейронні мережі.

    2. Кластеризація –  розповсюдження  ідеї  класифікації  на  складніший  випадок, коли самі класи не  призначені. В результаті виконання  процедури кластеризації початкові  дані розбиваються на однорідні   групи (кластери). Це  дозволяє  підприємству  виробити  по  відношенню  до  кожної  з  груп (наприклад, до груп покупців) певну політику. Задача кластеризації значно складніша  за  задачу  класифікації.  У  даний  час  найбільш  часто  задачі кластеризації  вирішуються методом „навчання  без  вчителя”  спеціального виду нейронних мереж.

    3. Виявлення  асоціацій.  Асоціація  –  закономірність  в  даних,  що  фіксує настання  двох (або   більш)  одночасних  подій.  Типовий   приклад  асоціації досліджується  в  задачі  визначення  пар  одночасно  придбаних  продуктів (телевізори і відеомагнітофони, зубні пасти і зубні щітки і т.д.).

    4. Виявлення  послідовностей.  Послідовність –  закономірність  в  даних,  що фіксує  настання  подій  не  одночасно,  а  з  деяким  певним  розривом  в  часі (асоціація  є  окремий  випадок  послідовності  з  нульовим  тимчасовим лагом).  Так,  наприклад,  якщо  відеомагнітофон  не  був  куплений  разом  з телевізором, то протягом місяця після покупки нового телевізора покупка відеомагнітофона проводиться в 51% випадків.

    5. Прогнозування –  формалізована   процедура  прогнозу,  яка   на  основі дослідження  поточних  і  минулих  даних  дозволяє  оцінити  майбутні значення числових показників.   

     Приклади  Інтелектуальних систем

    Для рішення поставлених задач є доцільним використання програмної оболонки Decision Grid  (розробник – ”Softkit Technologies Inc”), яка має має багато функціональних можливостей і створює зручні умови для кращого оцінювання та порівняння альтернатив. До основних переваг Decision Grid можна віднести можливість автоматичного розрахунку ваги критеріїв (на основі методу МГУА), визначення значень добору, виконання аналізу чутливості, перегляд множинних сценаріїв, графічний перегляд результатів за допомогою програмного інтерфейсу OLE Automation. При цьому основними факторами успіху для здійснення  інтелектуальної підтримки управління  ІС є наступні: зручність використання, зв’язність даних, технологічна сумісність, легкий супровід і додаткова вартість.